論文の概要: Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics
- arxiv url: http://arxiv.org/abs/2012.06679v2
- Date: Thu, 8 Apr 2021 21:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 03:28:59.589793
- Title: Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics
- Title(参考訳): 森林火災動態モデリングのための畳み込みLSTMニューラルネットワーク
- Authors: John Burge and Matthew Bonanni and Matthias Ihme and Lily Hu
- Abstract要約: 森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。
その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the climate changes, the severity of wildland fires is expected to worsen.
Models that accurately capture fire propagation dynamics greatly help efforts
for understanding, responding to and mitigating the damages caused by these
fires. Machine learning techniques provide a potential approach for developing
such models. The objective of this study is to evaluate the feasibility of
using a Convolutional Long Short-Term Memory (ConvLSTM) recurrent neural
network to model the dynamics of wildland fire propagation. The machine
learning model is trained on simulated wildfire data generated by a
mathematical analogue model. Three simulated datasets are analyzed, each with
increasing degrees of complexity. The simplest dataset includes a constant wind
direction as a single confounding factor, whereas the most complex dataset
includes dynamic wind, complex terrain, spatially varying moisture content and
heterogenous vegetation density distributions. We examine how effective the
ConvLSTM can learn the fire-spread dynamics over consecutive time steps. It is
shown that ConvLSTMs can capture local fire transmission events, as well as the
overall fire dynamics, such as the rate at which the fire spreads. Finally, we
demonstrate that ConvLSTMs outperform other network architectures that have
previously been used to model similar wildland fire dynamics.
- Abstract(参考訳): 気候の変化に伴い、森林火災の深刻度は悪化すると予想されている。
火災伝播ダイナミクスを正確に捉えたモデルは、これらの火災による被害の理解、対応、軽減に大いに役立っている。
機械学習技術はそのようなモデルを開発するための潜在的アプローチを提供する。
本研究の目的は,ConvLSTM(Convolutional Long Short-Term Memory)リカレントニューラルネットワークによる森林火災伝播のダイナミクスのモデル化の可能性を評価することである。
機械学習モデルは、数学的アナログモデルによって生成されたシミュレートされたワイルドファイアデータに基づいて訓練される。
3つのシミュレーションデータセットが分析され、それぞれが複雑度を増している。
最も単純なデータセットは、単一の結合因子として一定の風向きを含み、最も複雑なデータセットは、動的風、複雑な地形、空間的に変化する水分量、異種植物密度分布を含む。
本研究では,ConvLSTMが連続時間ステップで消火速度のダイナミクスをいかに効果的に学習できるかを検討する。
convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく、火災が拡散する速度など全体の火災ダイナミクスを捉えることができることが示されている。
最後に、コンブLSTMは、以前同様の山火事の動態をモデル化するために使われた他のネットワークアーキテクチャよりも優れていることを示す。
関連論文リスト
- Physics-informed neural networks for parameter learning of wildfire spreading [2.8686437689115354]
この研究は、解釈可能な山火事拡散モデルの未知のパラメータを学習するために設計された物理情報ニューラルネットワーク(PiNN)を導入している。
The proposed PiNN learns the unknown coefficients of the wildfire model in one- and two-dimensional fire spread scenarios as the Troy Fire。
構想されている物理インフォームドデジタルツインは、インテリジェントな山火事の管理とリスクアセスメントを強化し、アクティブでリアクティブな戦略のための強力なツールを提供する。
論文 参考訳(メタデータ) (2024-06-20T10:21:55Z) - Estimating fire Duration using regression methods [0.0]
本稿では、RF(ランダム森林)、KNN、XGBoost回帰モデルおよびCNNなどの画像ベースによる既知の山火事の消火期間を予測する。
入力を別々に処理して最適な結果を得ることにより、システムは高速かつ比較的正確な将来の予測を行うことができる。
論文 参考訳(メタデータ) (2023-08-17T12:11:27Z) - A generative model for surrogates of spatial-temporal wildfire
nowcasting [13.551652250858144]
3次元ベクトル量子変分オートコーダを用いて生成モデルを提案する。
このモデルは、最近カリフォルニア州で起きた大規模な山火事(チムニー火災)のエコリージョンでテストされている。
数値的な結果から, 連続かつ構造的な火災シナリオの生成に成功した。
論文 参考訳(メタデータ) (2023-08-05T06:54:18Z) - Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved
Wildfire Spread Behavior [0.0]
高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。
低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。
機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
論文 参考訳(メタデータ) (2022-10-28T21:23:03Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳(メタデータ) (2022-02-26T12:39:19Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳(メタデータ) (2020-10-01T17:51:49Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。